---
title: "GSM8K (Grade School Math 8K) (TH)"
source: "https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)"
wiki: "systems-analysis.info/int"
article: "GSM8K_(Grade_School_Math_8K)_(TH)"
language: "th"
categories:
  - "Category:Large language models"
  - "Category:LLM benchmarks"
  - "Category:Machine learning"
  - "Category:Thai"
revision_id: 2507
wiki_created_at: 2026-09-06T23:05:17Z
wiki_modified_at: 2026-09-06T23:05:17Z
downloaded_at: 2026-09-07T22:51:46Z
---

# GSM8K (Grade School Math 8K) (TH)

**GSM8K** (**Grade School Math 8K**) — คือชุดข้อมูลอ้างอิงมาตรฐานที่ประกอบด้วยโจทย์คณิตศาสตร์ระดับชั้นประถมและมัธยมต้นจำนวนประมาณ 8,500 ข้อในรูปแบบข้อความ ถูกสร้างขึ้นในปี 2021 โดยนักวิจัยจาก **OpenAI** เพื่อประเมินและพัฒนาความสามารถของโมเดลภาษาขนาดใหญ่ (LLM) ในการใช้เหตุผลทางคณิตศาสตร์แบบหลายขั้นตอน<sup>[\[1\]](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_note-openai2021-1)</sup> GSM8K ได้กลายเป็นหนึ่งใน benchmark หลักสำหรับวัดความก้าวหน้าในด้านการคิดเชิงคณิตศาสตร์ของปัญญาประดิษฐ์

โจทย์แต่ละข้อใน dataset นี้เป็นเรื่องราวสั้น ๆ ในรูปแบบข้อความ ซึ่งการแก้ปัญหาต้องอาศัยการดำเนินการทางคณิตศาสตร์พื้นฐาน 2 ถึง 8 ขั้นตอนต่อเนื่องกัน ได้แก่ การบวก การลบ การคูณ และการหาร แม้ดูเหมือนจะเรียบง่าย แต่โจทย์เหล่านี้ต้องการความเข้าใจข้อความอย่างลึกซึ้งและการใช้เหตุผลเชิงตรรกะ ซึ่งทำให้เป็นความท้าทายสำหรับ LLM จำนวนมาก<sup>[\[2\]](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_note-pwc-2)</sup>

## ลักษณะสำคัญ

### ขนาดและโครงสร้าง

Dataset GSM8K ประกอบด้วยโจทย์ประมาณ **8,500 ข้อ** ซึ่งแบ่งออกเป็นสองส่วน:

- **ชุดฝึกอบรม**: ประมาณ 7,500 ข้อ สำหรับใช้ใน *fine-tuning* โมเดล โดยโจทย์แต่ละข้อมีเฉลยแบบเป็นขั้นตอนโดยละเอียด
- **ชุดทดสอบ**: ประมาณ 1,000 ข้อ สำหรับประเมินประสิทธิภาพของโมเดลอย่างเป็นอิสระ<sup>[\[1\]](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_note-openai2021-1)</sup>

### ระดับความยากและเนื้อหา

โจทย์ถูกออกแบบโดยเจตนาให้นักเรียนมัธยมต้นที่มีความสามารถสามารถแก้ได้ แต่ในขณะเดียวกันก็ต้องการ**การใช้เหตุผลหลายขั้นตอน** สิ่งนี้ช่วยให้สามารถทดสอบไม่เพียงแค่ความรู้ทางคณิตศาสตร์ของโมเดล แต่ยังรวมถึงความสามารถในการแยกย่อยปัญหาและดำเนินการเชิงตรรกะอย่างเป็นลำดับ

### ความหลากหลายทางภาษา

การกำหนดโจทย์ใน GSM8K มีความหลากหลายในด้านรูปแบบและโครงสร้างภาษาอย่างมาก สิ่งนี้ทำขึ้นเพื่อทดสอบความสามารถของโมเดลในการทำความเข้าใจเงื่อนไขโจทย์ที่แสดงออกในหลายวิธี และหลีกเลี่ยงการ "ท่องจำ" รูปแบบเฉพาะ<sup>[\[3\]](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_note-klu_benchmark-3)</sup>

## ประวัติและวิวัฒนาการของการประเมินโมเดล

### โมเดลยุคแรกและผลลัพธ์พื้นฐาน

ในงานวิจัยต้นฉบับปี 2021 ผู้เขียนแสดงให้เห็นว่าแม้แต่โมเดลขนาดใหญ่ในขณะนั้น เช่น **GPT-3** (175 พันล้านพารามิเตอร์) ก็ยังประสบความยากลำบากอย่างมากกับ dataset นี้ หลังจาก fine-tuning และการใช้โมเดลตรวจสอบเสริม ความแม่นยำในการแก้ปัญหาอยู่ที่เพียงประมาณ **55%**<sup>[\[1\]](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_note-openai2021-1)</sup> ผลลัพธ์นี้แสดงให้เห็นว่าข้อผิดพลาดเพียงเล็กน้อยในห่วงโซ่การใช้เหตุผลสามารถนำไปสู่คำตอบที่ผิดพลาดโดยสิ้นเชิง

### เทคนิคที่เป็นก้าวสำคัญ: Chain-of-Thought

ก้าวสำคัญในการแก้โจทย์ GSM8K คือแนวทาง **«ห่วงโซ่การใช้เหตุผล»** (**Chain-of-Thought, CoT**) ในปี 2022 นักวิจัยจาก Google แสดงให้เห็นว่าหากกระตุ้นให้โมเดลเขียนขั้นตอนการแก้ปัญหาอย่างชัดเจนก่อนให้คำตอบ ความแม่นยำจะเพิ่มขึ้นอย่างมีนัยสำคัญ โมเดล **PaLM** (540 พันล้านพารามิเตอร์) ที่ใช้ CoT บรรลุความแม่นยำ **58%**<sup>[\[4\]](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_note-google_cot-4)</sup> การใช้เทคนิคขั้นสูงกว่าคือ **self-consistency** (การสร้างคำตอบหลายรูปแบบและเลือกคำตอบที่พบบ่อยที่สุด) ทำให้ความแม่นยำเพิ่มขึ้นถึง **74%**<sup>[\[4\]](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_note-google_cot-4)</sup>

### การก้าวข้ามระดับมนุษย์

ตั้งแต่ปี 2023 เป็นต้นมา โมเดล Generative ล่าสุดได้แซงหน้าระดับมนุษย์บน benchmark นี้

- **GPT-4** จาก OpenAI ในโหมด *few-shot CoT* (เมื่อมีการให้ตัวอย่างโจทย์ที่แก้แล้วหลายข้อใน prompt) บรรลุความแม่นยำประมาณ **92%**<sup>[\[5\]](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_note-gpt4_92-5)</sup> และด้วยกลยุทธ์เพิ่มเติม — สูงถึง **97%**<sup>[\[6\]](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_note-gpt4_97-6)</sup>
- **Claude 2** จาก Anthropic แสดงผลลัพธ์ **88%** ส่วนเวอร์ชันใหม่กว่า **Claude 3** — ประมาณ **95%**<sup>[\[3\]](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_note-klu_benchmark-3)</sup>

คะแนนสูงเช่นนี้บ่งชี้ถึงความก้าวหน้าอย่างมีนัยสำคัญในความสามารถด้านการใช้เหตุผลของ LLM แต่ยังชี้ให้เห็นด้วยว่า GSM8K กำลังกลายเป็นปัญหาที่ "แทบจะแก้ได้แล้ว" สำหรับโมเดลชั้นนำ ซึ่งกระตุ้นให้มีการพัฒนา benchmark ที่ซับซ้อนกว่า เช่น **MATH** และ **MMLU**

## บทบาทในการฝึกอบรมและพัฒนาโมเดล

นอกจากการประเมินแล้ว GSM8K ยังถูกนำมาใช้อย่างแข็งขันสำหรับ**การฝึกอบรมและปรับปรุง**โมเดล

- **Fine-tuning (การปรับแต่งเพิ่มเติม)**: ชุดฝึกอบรมที่มีเฉลยแบบเป็นขั้นตอนเป็นทรัพยากรอันมีค่าสำหรับ fine-tuning โมเดลด้านตรรกะทางคณิตศาสตร์
- **การฝึกตัวตรวจสอบ**: ในงานวิจัยต้นฉบับของ OpenAI ส่วนหนึ่งของข้อมูล GSM8K ถูกใช้เพื่อฝึกโมเดล**ตัวตรวจสอบ**แยกต่างหาก ซึ่งประเมินความถูกต้องของคำตอบที่สร้างขึ้น แนวทางการฝึกแยกระหว่างตัวสร้างและตัววิจารณ์นี้ได้พิสูจน์ประสิทธิผลของมันแล้ว<sup>[\[1\]](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_note-openai2021-1)</sup>
- **Prompt Engineering**: การมีตัวอย่างจำนวนมากช่วยให้นักวิจัยสามารถพัฒนาและขัดเกลาเทคนิคการให้ prompt เช่น **Chain-of-Thought** และ **Tree-of-Thought** ซึ่งสอนให้โมเดลใช้เหตุผลโดยไม่ต้องเปลี่ยนแปลงน้ำหนักของมัน

## ลิงก์

- หน้า dataset บน Papers With Code
- คลังข้อมูลทางการบน GitHub

## เอกสารอ้างอิง

- Liang, P. et al. (2022). *Holistic Evaluation of Language Models (HELM)*. arXiv:2211.09110.
- Chang, Y. et al. (2023). *A Survey on Evaluation of Large Language Models*. arXiv:2307.03109.
- Ni, S. et al. (2025). *A Survey on Large Language Model Benchmarks*. arXiv:2508.15361.
- Biderman, S. et al. (2024). *The Language Model Evaluation Harness (lm-eval): Guidance and Lessons Learned*. arXiv:2405.14782.
- Kiela, D. et al. (2021). *Dynabench: Rethinking Benchmarking in NLP*. arXiv:2104.14337.
- Ma, Z. et al. (2021). *Dynaboard: An Evaluation‑As‑A‑Service Platform for Holistic Next‑Generation Benchmarking*. arXiv:2106.06052.
- Goel, K. et al. (2021). *Robustness Gym: Unifying the NLP Evaluation Landscape*. arXiv:2101.04840.
- Xu, C. et al. (2024). *Benchmark Data Contamination of Large Language Models: A Survey*. arXiv:2406.04244.
- Liu, S. et al. (2025). *A Comprehensive Survey on Safety Evaluation of LLMs*. arXiv:2506.11094.
- Chiang, W.-L. et al. (2024). *Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference*. arXiv:2403.04132.
- Boubdir, M. et al. (2023). *Elo Uncovered: Robustness and Best Practices in Language Model Evaluation*. arXiv:2311.17295.
- Huang, L. et al. (2023). *A Survey on Hallucination in Large Language Models*. arXiv:2311.05232.

## หมายเหตุ

1.  <span id="cite_note-openai2021-1">↑ <sup>[1.0](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_ref-openai2021_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_ref-openai2021_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_ref-openai2021_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_ref-openai2021_1-3)</sup> Cobbe, Karl et al. «Training Verifiers to Solve Math Word Problems». *arXiv:2110.14168*. <a href="https://arxiv.org/abs/2110.14168" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-pwc-2">[↑](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_ref-pwc_2-0) «GSM8K Dataset». *Papers With Code*. <a href="https://paperswithcode.com/dataset/gsm8k" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-klu_benchmark-3">↑ <sup>[3.0](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_ref-klu_benchmark_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_ref-klu_benchmark_3-1)</sup> «GSM8K Benchmark». *Klu.ai*. <a href="https://klu.ai/glossary/GSM8K-eval" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-google_cot-4">↑ <sup>[4.0](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_ref-google_cot_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_ref-google_cot_4-1)</sup> Wei, Jason et al. «Language Models Perform Reasoning via Chain of Thought». *Google Research Blog*. <a href="https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-gpt4_92-5">[↑](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_ref-gpt4_92_5-0) Yu, L., et al. «Solving Challenging Math Word Problems Using GPT-4». *EMNLP 2023*. <a href="https://aclanthology.org/2023.emnlp-main.927.pdf" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-gpt4_97-6">[↑](https://systems-analysis.info/int/GSM8K_(Grade_School_Math_8K)_(TH)#cite_ref-gpt4_97_6-0) «Achieving \>97% on GSM8K». *arXiv:2404.14963*. <a href="https://arxiv.org/html/2404.14963v4" class="external autonumber" rel="nofollow">[6]</a></span>